餐厨垃圾作为城镇高含固有机固废垃圾的一种,已经对人类的身体健康和生活环境都造成了极大的危害,为此我国将有机固废高效转化列为了十三五国家重点研发计划。根据餐厨垃圾有机质含量高的特点,厌氧发酵已经成为首选的处理手段。而餐厨垃圾发酵过程中的强非线性、强时变性和强相关性,使得利用厌氧发酵处理餐厨垃圾的过程始终无法达到资源利用的最大化,甚至发生酸化导致发酵过程的失败。因此开展餐厨垃圾厌氧发酵过程的智能检测与智能控制成为了研究的热点和难点。论文针对餐厨垃圾发酵过程难以实时监控的问题,利用软测量技术研究了餐厨垃圾厌氧发酵过程监控问题。针对无法实时测量的挥发性脂肪酸浓度,提出了基于MIC的冗余分析特征选择算法,决定辅助变量,提高了模型的预测效率和准确率;改进了DBN算法,运用高斯混合模型和集合经验模态分解对输入数据进行预处理,运用极限学习机改进深度置信网络的训练,提高了模型的预测精度;提出了基于IDBN-LSTM的动态软测量模型,用LSTM模型对静态模型进行动态校正,进一步提高了模型的泛化能力。主要研究内容如下:针对辅助变量的选择往往都是根据经验人为选择的问题,研究了一种基于MIC的冗余分析特征选择算法,基于特征相关性的分析,选择出必要的特征,移除无用、有害的特征以及移除部分冗余特征。利用UCI机器学习库的三个公共数据集和从现场采集的餐厨垃圾厌氧发酵工厂实际数据集对特征选择算法进行了验证,仿真实验结果表明,基于MIC的冗余分析特征选择算法与传统方法SFS、FCBF和MRMR方法相比,对特征的选择更为精准有效。针对餐厨垃圾厌氧发酵过程强非线性、大时滞性等特点以及传统软测量方法精度低等不足的问题,研究了一种改进的DBN软测量模型。首先通过GMM算法和EEMD算法对模型的输入进行分类和分解,然后以DBN为框架建立软测量预测模型,通过深度学习算法对DBN进行训练得到较好的结构参数值,最后通过ELM算法进行改进以提高模型预测精度和训练速度。将该方法用于餐厨垃圾厌氧发酵过程VFA浓度的软测量,实验结果表明,该方法与传统方法PLSR、BP神经网络、SVM以及单独的DBN相比,具有更高的预测精度和泛化能力。针对工业过程的动态特性,提出了一种基于IDBN-LSTM的动态软测量模型。首先建立基于IDBN的静态软测量模型,该模型的预测输出与期望输出之间存在一定的误差,然后将预测输出和期望输出相减得到误差时间序列,将该序列作为LSTM模型的输入,进行建模和预测。最后,将IDBN静态模型的预测输出值和LSTM模型的预测输出值进行叠加,实现对静态模型的动态校正。仿真实验结果表明,基于IDBN-LSTM的动态模型相比于未进行动态校正的IDBN静态模型,具有更高的预测精度和泛化能力,通过动态校正,模型的预测精度和泛化能力得到了提高。论文所提出的算法利用某餐厨垃圾发酵企业的数据进行了验证,结果表明基于提出和改进算法建立的软测量模型,具有良好的预测精度和泛化能力,为餐厨垃圾厌氧发酵过程的实时监控提供了可能。